基于自复位遗传粒子滤波的UWB/INS室内定位方法

doi:10.12141/j.issn.1000-565X.250011

华南理工大学学报(自然科学版) ›› 2026, Vol. 54 ›› Issue (1): 83-93.doi: 10.12141/j.issn.1000-565X.250011

• 电子、通信与自动控制 • 上一篇下一篇

基于自复位遗传粒子滤波的UWB/INS室内定位方法

杨永辉¹(), 李智贤², 王敏蕙³, 许函铭¹, 陈颖聪¹, 文尚胜¹()

^1.华南理工大学材料科学与工程学院，广东广州 510640
^2.东北大学机械工程与自动化学院，辽宁沈阳 110167
^3.北师香港浸会大学工商管理学院，广东珠海 519087

收稿日期:2025-01-08 出版日期:2026-01-10 发布日期:2025-05-20
通信作者: 文尚胜 E-mail:shshwen@scut.edu.cn
作者简介:杨永辉（1975—），男，博士，高级工程师，主要从事室内外一体化定位、信号处理研究。E-mail： shshwen@scut.edu.cn
基金资助:
广东省基础与应用基础研究基金项目(2024A1515010397);中山市重大科技计划专项(2023A4011)

UWB/INS Indoor Positioning Method Based on Self-Resetting Genetic Particle Filtering

YANG Yonghui¹(), LI Zhixian², WANG Minhui³, XU Hanming¹, CHEN Yingcong¹, WEN Shangsheng¹()

^1.School of Material Science and Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China
^2.School of Mechanical Engineering and Automation，Northeastern University，Shenyang 110167，Liaoning，China
^3.Faculty of Business and Management，Beijing Normal-Hong Kong Baptist University，Zhuhai 519087，Guangdong，China

Received:2025-01-08 Online:2026-01-10 Published:2025-05-20
Contact: WEN Shangsheng E-mail:shshwen@scut.edu.cn
Supported by:
the Basic and Applied Basic Research Fund of Guangdong Province(2024A1515010397)

摘要/Abstract

摘要：

超宽带（UWB）技术作为新一代室内定位技术的典范，在实际应用中常结合惯性导航系统（INS）以解决定位中的非视距（NLOS）误差问题。但集中式信息处理方法无法有效区分NLOS误差来源，为保证定位精度需额外部署锚点，导致定位锚点出现冗余，进而造成信息浪费及成本增加。针对室内定位中的NLOS误差识别和剔除问题，该文提出了一种基于自复位遗传粒子滤波（SGPF）的UWB/INS室内定位方法。该方法以SGPF算法为核心，通过INS估计值对测量值中的NLOS误差进行溯源，以提高NLOS环境下的跟踪稳定性。该方法首先对物理锚点进行分组，并结合虚拟锚点划分似然区域；然后基于INS的初步估计，通过NLOS误差识别策略确定高概率区域，同时剔除NLOS锚点组及对应的测量值；最后结合有效粒子数判别粒子集状态，决定是否启用遗传重采样以优化粒子多样性，最终提升算法鲁棒性。SGPF算法融合了标准粒子滤波（PF）和遗传算法的结构优势，可有效缓解粒子退化与贫化问题，在更低的粒子数量与时耗下实现更高的鲁棒性。实验结果表明：在视距环境下，SGPF算法只需PF算法30%的粒子数即可达到同等定位效果，且其计算时耗远低于传统遗传粒子滤波算法；在非视距环境下，SGPF算法的平均定位误差为0.055 2 m，相比于传统粒子滤波与传统遗传粒子滤波算法分别降低了56.98%与48.94%。

关键词: 粒子滤波, 遗传算法, 自适应调节, 室内定位

Abstract:

As a paradigm of the new-generation indoor positioning technology, ultra-wideband (UWB) technology is often combined with the inertial navigation system (INS) in practical applications to solve the non-line-of-sight (NLOS) error issue in positioning. However, the centralized information processing method fails to effectively distinguish the sources of NLOS errors. To ensure positioning accuracy, additional anchor nodes need to be deployed, which leads to redundancy of positioning anchor nodes, and further results in information waste and increased costs. Aiming at the problems of NLOS error identification and elimination in indoor positioning, this paper proposed a UWB/INS indoor positioning method based on self-reset genetic particle filtering (SGPF). With the SGPF algorithm as its core, this method traces the source of NLOS errors in measured values using the estimated values of the INS system, so as to improve the tracking stability under NLOS environments. The method first groups physical anchor nodes and divides likelihood regions in combination with virtual anchor nodes. Then, based on the preliminary estimation of the INS, it identifies high-probability regions through an NLOS error identification strategy, while eliminating NLOS anchor node groups and their corresponding measured values. Finally, it judges the state of the particle set by combining the number of effective particles, determines whether to enable genetic resampling to optimize particle diversity, and ultimately improves the robustness of the algorithm. The SGPF algorithm integrates the structural advantages of the standard particle filter (PF) and genetic algorithms, and can effectively alleviate the problems of particle degradation and impoverishment and achieve higher robustness with a smaller number of particles and lower time consumption. Experimental results show that: under line-of-sight environments, the SGPF algorithm requires only 30% of the number of particles used in the PF algorithm to achieve the same positioning effect, and its calculation time is much lower than that of the traditional genetic particle filter algorithm; under NLOS environments, the SGPF algorithm has an average positioning error of 0.055 2 m. Compared to traditional particle filter and traditional genetic particle filter algorithms, the localization error is reduced by 56.98% and 48.94% respectively.

Key words: particle filtering, genetic algorithm, adaptive adjustment, indoor positioning

中图分类号:

TP391.1

杨永辉, 李智贤, 王敏蕙, 许函铭, 陈颖聪, 文尚胜. 基于自复位遗传粒子滤波的UWB/INS室内定位方法[J]. 华南理工大学学报(自然科学版), 2026, 54(1): 83-93.

YANG Yonghui, LI Zhixian, WANG Minhui, XU Hanming, CHEN Yingcong, WEN Shangsheng. UWB/INS Indoor Positioning Method Based on Self-Resetting Genetic Particle Filtering[J]. Journal of South China University of Technology(Natural Science Edition), 2026, 54(1): 83-93.

图/表 9

图1

图2

图3

图4

图5

图6

表1

图7

表2

参考文献 22

[1]	BENOUAKTA A， FERRERO F， LIZZI L，et al ．Advancements in industrial RTLSs：a technical review of UWB localization devices emphasizing antennas for enhanced accuracy and range［J］．Electronics，2024，13（4）：751-758.
[2]	QU J ．A review of UWB indoor positioning［J］．Journal of Physics：Conference Series，2023，2669：012003/1-9.
[3]	MAZHAR K， KHAN A A， ALOMAINY A ．Precise indoor positioning using UWB：a review of methods，algorithms and implementations［J］．Wireless Personal Communications，2017，97（3）：4467-4491.
[4]	YAO L， YAO L， WU Y W ．Analysis and improvement of indoor positioning accuracy for UWB sensors［J］．Sensors，2021，21（17）：5731-5753.
[5]	CHEN C， HUANG Z， WANG J，et al ．Channel qua-lity evaluation based anchor node selection for UWB indoor positioning［J］．Electronics，2022，11（3）：436-451.
[6]	ALBAIDHANI A， MORELL A， VICARIO J L ．Anchor selection for UWB indoor positioning［J］．Transactions on Emerging Telecommunications Technologies，2019，30（6）：73-78.
[7]	YANG J Q， GAO J B， SUN W，et al ．A UWB indoor positioning method based on triple filtering fingerprint matching algorithm［J］．Journal of Physics：Confe-rence Series，2024，2813：012003/1-6.
[8]	蔡礼贤，邹进贵，赵胤植．一种基于UWB测距信号信噪比的优化定位方法［J］．测绘地理信息，2023，48（6）：36-39.
	CAI Lixian， ZOU Jingui， ZHAO Yinzhi ．An optimized positioning method based on the SNR of UWB ranging signals［J］．Journal of Geomatics，2023，48（6）：36-39.
[9]	WANG F， TANG H， CHEN J ．Survey on NLOS identification and error mitigation for UWB indoor positioning［J］．Electronics，2023，12（7）：1-41.
[10]	KE C， SHU Y， KE X ．Research on indoor visible light location based on fusion clustering algorithm［J］．Photonics，2023，10（7）：853/1-15.
[11]	GEZICI S， TIAN Z， GIANNAKIS G B，et al ．Locali-zation via ultra-wideband radios：a look at positioning aspects for future sensor networks［J］．IEEE Signal Processing Magazine，2005，22（4）：70-84.
[12]	RATHJE P， LANDSIEDEL O ．Precise ranging：mode-ling bias and variance of double-sided two-way ranging with TDoA extraction under multipath and NLOS effects［J］．Navigation，2024，71（4）：1-15.
[13]	WANG Y， ZHOU Y， LU Y，et al ．MSTSCKF-based INS/UWB integration for indoor localization［J］．Ain Shams Engineering Journal，2024，15：102939/1-16.
[14]	XU Y， SHMALIY Y S， AHN C K，et al ．Blind robust multi-horizon EFIR filter for tightly integrating INS and UWB［J］．IEEE Sensors Journal，2021，21（20）：23037-23045.
[15]	文尚胜，丘志强，许函铭，等．基于差分算法优化的自复位粒子滤波算法［J］．华南理工大学学报（自然科学版），2023，51（3）：133-145.
	WEN Shangsheng， QIU Zhiqiang， XU Hanming，et al ．Self-reset particle filter method optimized based on di-fferential evolution algorithm［J］．Journal of South China University of Technology （Natural Science Edition），2023，51（3）：133-145.
[16]	ZHOU N， MENG D， LU S ．Estimation of the dynamic states of synchronous machines using an extended particle filter［J］．IEEE Transactions on Power Systems，2013，28（4）：4152-4161.
[17]	LIU J S， CHEN R， LOGVINENKO T ．A theoretical framework for sequential importance sampling with resampling［M］∥ Sequential Monte Carlo methods in practice．New York：Springer，2001：225-246.
[18]	蔡保杰，邵雷，李正杰．采用卡方检验和牛顿插值的抗差卡尔曼滤波新算法［J］．空军工程大学学报（自然科学版），2020，21（1）：38-43.
	CAI Baojie， SHAO Lei， LI Zhengjie ．A new robust Kalman filter algorithm based on chi-square test and Newton interpolation［J］．Journal of Air Force Engineering University （Natural Science Edition），2020，21（1）：38-43.
[19]	BURSTEIN H ．Close approximations of percentage points of the chi-square distribution and poisson confidence limits［J］．Journal of the American Statistical Association，1973，68（343）：581-584.
[20]	黄家才，王徐寅，高芳征，等．基于改进天牛须优化粒子滤波的UWB/LiDAR室内定位方法［J］．控制与决策，2024，39（10）：3261-3269.
	HUANG Jia-cai， WANG Xu-yin， GAO Fang-zheng，et al ．UWB/LiDAR indoor positioning method based on improved beetle antennae search algorithm optimized particle filter［J］．Control and Decision，2024，39（10）：3261-3269.
[21]	QIU Z， QIAN H ．Adaptive genetic particle filter and its application to attitude estimation system［J］．Digital Signal Processing，2018，81（10）：163-172.
[22]	LI H， WU C， SHEN Y，et al ．Observer-based fuzzy control for nonlinear networked systems under unmeasurable premise variables［J］．IEEE Transactions on Fuzzy Systems，2016，24（5）：1233-1245.

算法	平均定位误差/m					重采样时耗/s
算法	N = 200	N = 400	N = 600	N = 800	N = 1 000	N = 200	N = 400	N = 600	N = 800	N = 1 000
PF	0.589 4	0.350 3	0.226 5	0.104 9	0.082 8	3.51×10^-5	5.72×10^-5	8.99×10^-5	1.43×10^-4	2.54×10^-4
AGPF	0.093 1	0.092 8	0.087 8	0.085 6	0.082 4	1.83×10^-3	3.75×10^-3	5.18×10^-3	6.87×10^-3	9.01×10^-3
SGPF	0.082 1	0.077 8	0.072 2	0.065 3	0.058 7	1.43×10^-4	1.56×10^-4	1.71×10^-4	2.15×10^-4	2.67×10^-4

算法	MSE/m
算法	最大值	平均值
PF	0.472 1	0.128 3
AGPF	0.363 4	0.108 1
SGPF	0.125 7	0.055 2

基于自复位遗传粒子滤波的UWB/INS室内定位方法

UWB/INS Indoor Positioning Method Based on Self-Resetting Genetic Particle Filtering

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杜恒, 吕彦廷, 黄惠, 马佰周. 面向多级流道式磁流变阻尼器的高精度改进双曲正切模型[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 39-49.
[2]	陆以勤, 黄成海, 陈嘉睿, 等. 基于遗传算法的时间敏感网络调度方法[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 1-12.
[3]	邱宇东, 王湛, 谢志燊. 基于混合算法的半刚性连接钢框架结构优化[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 72-77.
[4]	文尚胜, 丘志强, 许函铭, 等. 基于差分算法优化的自复位粒子滤波算法[J]. 华南理工大学学报(自然科学版), 2023, 51(3): 133-145.
[5]	翁剑成, 王茂林, 林鹏飞, 等. 基于客流特征鉴别的公交跨线组合调度优化方法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 39-48.
[6]	秦雅琴, 钱正富, 谢济铭, 等. 基于社会力的交织区突发瓶颈段协同换道决策模型[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 66-75.
[7]	文尚胜, 许函铭, 陈贤东, 等. 基于混合多策略优化的粒子滤波方法[J]. 华南理工大学学报(自然科学版), 2022, 50(6): 49-59.
[8]	郑亚晶, 李耀辉, 靳文舟. 考虑换乘客流的城市轨道交通网络末班车衔接优化研究[J]. 华南理工大学学报(自然科学版), 2022, 50(5): 32-39.
[9]	夏琴香, 李凯, 马骏, 等. 基于遗传算法的模具电极调度问题求解[J]. 华南理工大学学报(自然科学版), 2022, 50(3): 80-87.
[10]	周中, 邓卓湘, 陈云, 等. 基于GA-BP神经网络的泡沫轻质土强度预测[J]. 华南理工大学学报(自然科学版), 2022, 50(11): 125-132.
[11]	刘璇, 王子航, 张桐瑞, 等. 港口重载AGV横向稳定的优化控制策略[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 113-121.
[12]	李静王晨张家旭. 基于UniTire轮胎模型的汽车行驶速度估计[J]. 华南理工大学学报（自然科学版）, 2021, 49(5): 47-55.
[13]	罗玉涛, 周天阳, 许晓通. 基于遗传算法的四轮转向－驱动汽车时变 LQR 控制[J]. 华南理工大学学报（自然科学版）, 2021, 49(3): 114-122.
[14]	晋刚何志豪王英俊. 基于遗传算法的5G频率选择表面形状优化方法[J]. 华南理工大学学报（自然科学版）, 2021, 49(11): 95-105.
[15]	李家乐刘真伯王雪菲. 智能电网下支持充放电策略的电动汽车配送路径优化[J]. 华南理工大学学报（自然科学版）, 2021, 49(10): 31-40.